論文の概要: Automated Estimation of Total Lung Volume using Chest Radiographs and Deep Learning

• arxiv url: http://arxiv.org/abs/2105.01181v1
• Date: Mon, 3 May 2021 21:35:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-05 13:02:47.527436
• Title: Automated Estimation of Total Lung Volume using Chest Radiographs and Deep Learning
• Title（参考訳）: 胸部x線写真とディープラーニングを用いた肺総量の自動推定
• Authors: Ecem Sogancioglu, Keelin Murphy, Ernst Th. Scholten, Luuk H. Boulogne, Mathias Prokop, and Bram van Ginneken
• Abstract要約: 総肺量は重要な定量的バイオマーカーであり、制限肺疾患の評価に使用されます。 このデータセットは、胸部X線写真から肺総量を予測するディープラーニングアーキテクチャのトレーニングに使用された。 今回我々は,最先端のディープラーニングソリューションが胸部x線写真から肺総量を正確に測定できることを初めて実証した。
• 参考スコア（独自算出の注目度）: 4.874501619350224
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Total lung volume is an important quantitative biomarker and is used for the assessment of restrictive lung diseases. In this study, we investigate the performance of several deep-learning approaches for automated measurement of total lung volume from chest radiographs. 7621 posteroanterior and lateral view chest radiographs (CXR) were collected from patients with chest CT available. Similarly, 928 CXR studies were chosen from patients with pulmonary function test (PFT) results. The reference total lung volume was calculated from lung segmentation on CT or PFT data, respectively. This dataset was used to train deep-learning architectures to predict total lung volume from chest radiographs. The experiments were constructed in a step-wise fashion with increasing complexity to demonstrate the effect of training with CT-derived labels only and the sources of error. The optimal models were tested on 291 CXR studies with reference lung volume obtained from PFT. The optimal deep-learning regression model showed an MAE of 408 ml and a MAPE of 8.1\% and Pearson's r = 0.92 using both frontal and lateral chest radiographs as input. CT-derived labels were useful for pre-training but the optimal performance was obtained by fine-tuning the network with PFT-derived labels. We demonstrate, for the first time, that state-of-the-art deep learning solutions can accurately measure total lung volume from plain chest radiographs. The proposed model can be used to obtain total lung volume from routinely acquired chest radiographs at no additional cost and could be a useful tool to identify trends over time in patients referred regularly for chest x-rays.
• Abstract（参考訳）: 肺総容積は重要な定量的バイオマーカーであり、肺疾患の評価に用いられる。 本研究では,胸部X線写真からの肺全容自動計測のための深層学習手法の性能について検討した。 7621 胸部ct 患者から胸部x線写真および胸部x線写真(cxr)を採取した。 同様に、肺機能検査(PFT)の結果からCXR928例が選択された。 基準肺容積はCTおよびPFTデータ上の肺分画から算出した。 このデータセットは、胸部X線写真から肺の総容積を予測するディープラーニングアーキテクチャのトレーニングに使用された。 実験は、CT由来ラベルとエラーの原因のみを用いたトレーニングの効果を示すために、複雑さを増す段階的に構築された。 肺の基準容積をPFTで測定した291CXR実験において,最適モデルについて検討した。 最適深層学習回帰モデルでは,前部と外側の胸部x線写真の両方を入力として,maeが408ml,mapeが8.1\%,pearsonのr = 0.92であった。 CT由来のラベルは事前学習に有用であったが,ネットワークをPFT由来のラベルで微調整することで最適性能が得られた。 今回我々は,最先端のディープラーニングソリューションが胸部x線写真から肺総量を正確に測定できることを初めて実証した。 提案モデルでは, 胸部x線撮影を定期的に実施する患者の経時的傾向を把握できるため, 通常の胸部x線撮影から肺総量を得ることができる。

関連論文リスト

• Debiasing pipeline improves deep learning model generalization for X-ray based lung nodule detection [11.228544549618068]
  肺がんは世界中でがん死の主要な原因であり、予後は早期診断に依存している。 胸部X線像を均質化し,除染する画像前処理パイプラインは,内部分類と外部一般化の両方を改善することができることを示す。 進化的プルーニング機構は、一般に利用可能な肺結節X線データセットから最も情報性の高い画像に基づいて結節検出深層学習モデルを訓練するために用いられる。
  論文  参考訳（メタデータ） (2022-01-24T10:08:07Z)
• U-Net-based Lung Thickness Map for Pixel-level Lung Volume Estimation of Chest X-rays [4.595143640439819]
  肺の厚さマップを作成したUNetを用いて, 実および合成前頭葉X線写真から肺総容積(TLV)をピクセルレベルで推定することを目的とした。 U-Netモデルは、肺の地図を予測し、TLVを推定するために、公開データセットから合成ラジオグラフィーで訓練され、試験された。
  論文  参考訳（メタデータ） (2021-10-24T19:09:28Z)
• A framework for quantitative analysis of Computed Tomography images of viral pneumonitis: radiomic features in COVID and non-COVID patients [0.0]
  1028個の胸部CT像を肺抽出のために自動的に分離した。 ガウスモデルを用いて, 肺の正常な部位と重症部位を定量的に表す指標(QM)を算出した。 両側肺から第1,第2次放射線学的特徴(RF)を抽出した。 新型コロナウイルスと非ウイルス性肺炎を分類する人工知能ベースの4つのモデルを開発した。
  論文  参考訳（メタデータ） (2021-09-28T15:22:24Z)
• CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
  我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。 本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
  論文  参考訳（メタデータ） (2021-05-25T12:06:55Z)
• Rapid quantification of COVID-19 pneumonia burden from computed tomography with convolutional LSTM networks [1.0072268949897432]
  新型肺炎における肺病変の迅速定量と分化のための新しい完全自動化ディープラーニングフレームワークを提案する。 SARS-CoV-2の陽性逆転写ポリメラーゼ連鎖反応試験結果を有する197例のCTデータセット上で,この方法の性能を評価した。
  論文  参考訳（メタデータ） (2021-03-31T22:09:14Z)
• M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
  マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
  論文  参考訳（メタデータ） (2020-10-07T06:22:24Z)
• Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
  我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。 また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
  論文  参考訳（メタデータ） (2020-07-20T19:08:50Z)
• Segmentation of Pulmonary Opacification in Chest CT Scans of COVID-19 Patients [3.140265238474236]
  胸部CT(CT)スキャンにおける肺不透明化パターンのセグメンテーションのためのオープンソースモデルについて検討した。 世界中の医療センターで663個の胸部CT検査を行った。 本研究の最適モデルは,テストセットで0.76オパシティ・インターセクション・オーバー・ユニオンスコアを達成し,ドメイン適応を成功させ,専門家の1.7%以内のオパシティの容積を予測する。
  論文  参考訳（メタデータ） (2020-07-07T17:32:24Z)
• Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
  前頭部胸部X線画像の重症度予測モデルを提案する。 このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
  論文  参考訳（メタデータ） (2020-05-24T23:13:16Z)
• Severity Assessment of Coronavirus Disease 2019 (COVID-19) Using Quantitative Features from Chest CT Images [54.919022945740515]
  本研究の目的は,胸部CT画像に基づく新型コロナウイルスの重症度自動評価(非重症度または重症度)を実現することである。 ランダム・フォレスト(RF)モデルは、量的特徴に基づいて重症度(非重症度または重症度)を評価するために訓練される。 新型コロナウイルスの重症度を反映する可能性のあるいくつかの定量的特徴が明らかになった。
  論文  参考訳（メタデータ） (2020-03-26T15:49:32Z)
• Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale Chest Computed Tomography Volumes [64.21642241351857]
  19,993症例から36,316巻の胸部CTデータセットを収集,解析した。 自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。 胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
  論文  参考訳（メタデータ） (2020-02-12T00:59:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。